Generatives Adversariales Netzwerk (GAN)
Ein Generative Adversarial Network (GAN) ist eine generative KI-Modellarchitektur, die aus zwei neuronalen Netzen - einem Generator und einem Diskriminator - besteht, die im Gegensatz zueinander trainiert werden.
Das generative Modell erstellt Inhalte auf der Grundlage der verfügbaren Trainingsdaten, um die Beispiele in den Trainingsdaten zu imitieren. In der Zwischenzeit testet ein diskriminatives Modell die Ergebnisse des generativen Modells, indem es die Wahrscheinlichkeit bewertet, dass das getestete Beispiel aus dem Datensatz und nicht aus dem generativen Modell stammt. Dies ist ein kontradiktorisches Training.
Vereinfacht ausgedrückt geht es um den Wettstreit zweier neuronaler Netze, von denen eines gefälschte Daten erzeugt und das andere versucht, die Fälschungen zu erkennen. Das Ergebnis sind sehr überzeugende synthetische Inhalte.
Die Modelle werden so lange verbessert, bis die generierten Inhalte mit gleicher Wahrscheinlichkeit vom generativen Modell stammen wie die Trainingsdaten. Diese Methode ist deshalb so effektiv, weil sie das Ergebnis ihrer eigenen Authentizität verbessert, indem sie ständig die Tools überprüft, die sie überlisten sollen. Dieser gegnerische Trainingsprozess wird so lange fortgesetzt, bis der Generator Ergebnisse erzeugt, die plausibel genug sind, um den Diskriminator zu täuschen. GANs werden häufig für Bildsyntheseaufgaben wie die Erstellung von Deepfakes, fotorealistischen menschlichen Gesichtern und die Verbesserung fotografischer Bilder verwendet.
Bedrohungsakteure nutzen GANs für böswillige Zwecke - zum Beispiel, um synthetische Bilder zu erstellen, die synthetische Identitäten plausibler machen. Synthetische Bilder eines Gesichts, das eine nicht existierende Person darstellt, werden mit dieser Technologie generiert und mit gefälschten IDs abgeglichen, um die biometrischen Gesichtsdaten beim Onboarding und während des gesamten Lebenszyklus des Nutzers zu umgehen.
Zur Erkennung von Medien, die von generativen gegnerischen Netzwerken erstellt wurden, nutzt iProov eine patentierte passive Challenge-Response-Biometrietechnologie mit Deep-Learning- und Computer-Vision-Technologien, um bestimmte Eigenschaften zu analysieren, die von generativer KI erstellte Medien nicht nachbilden können - da sich auf der anderen Seite der Kamera keine echte Person befindet. Aus diesem Grund istein biometrisches Echtzeitverfahren in die Liveness-Technologie für Unternehmen entscheidend, um zwischen synthetischen Medien und echten Menschen zu unterscheiden.
Um mehr darüber zu erfahren, wie Betrüger sich generative KI wie GANs zunutze machen, um die Identitätsüberprüfung zu untergraben und den Betrug mit synthetischen Identitäten zu fördern, lesen Sie unseren Bericht "Stolen to Synthetic", lesen Sie unseren Bericht "Stolen to Synthetic" hier.
Lesen Sie mehr: